@zuokanyunqishi 我的理解是其实是有的，审美也有方法论。设计在命中大众审美的同时，其实也在反过来教育大众。 至少美术和音乐这两个行业是有非常明确的方法论的。比如最简单的，美术有黄金分割，音乐有卡农。

我觉得恰恰这个例子证明了目前的 LLM 没有审美。 就是目前的多模态，AI 可以把图片转换成描述没问题。AI 识图也很厉害，但是同时，因为 token 有限，也就丢失了太多信息。 举个最简单的例子，如果用语言，楼主如何描绘例图中山的层峦关系？我觉得如果用语言描述清楚，文字的 bit 量应该至少比 jpg 大。 审美恰恰是这些细节，而不是大致构图。

那这还算 AI 设计的吗？ 我做的饭不好吃，于是我点个外卖放盘子里 = 我厨艺提升了？

其实从信号学的角度讲，任何模拟信号的数字化都是一种信号损失的过程，关键就看你怎么取舍。 一般器械采集这端就有很大误差，你量化转换的层面再精确，采集端精度就很低又有什么意义。 所以很多生理指标即便是高端专业仪器也都只能看趋势，不能看绝对数值。 医院等机构不愿意依据第三方检查结果，除了利益和责任原因，以上也是原因之一。

我的理解，就是 openAI 给你的账单适度的优惠一些。 就像是你用的到底是什么模型你不知道一样。依然是 GPT Omakase

我理解其实恰恰相反。目前这波 AI 解放的其实是过去的伪需求。 相当于是，过去没有软件去实现的一些不合理的，微不足道的，没有商业价值的需求被非从业者二次释放了。 举个最现象级的例子，你说真正重度使用 adobe 全家桶的企业有可能切换去 photocraft 全家桶吗？ 换句话说，你认为采购 adobe 全家桶的企业，是看中了 adobe 的功能性吗？ 同理。 你一两句话能够和 LLM 解释通透的

我理解，一个人只要过的问心无愧，就已经非常成功了。 没人能定义别人应该怎么过，以及别人怎么选更好。而且蝴蝶效应在个人选择上也依然存在。 人生就像双色球，你以为是你没选对号码才和特等奖失之交臂，但谁知道呢？

我目前给他的定位就是个 pi 内核版的 copilot

对于 thinkrail ，我觉得最可靠的是他是 pi 内核。这也就让我对于其 ReAcT 的效果有了一个最基础的信心。 对于尝鲜 harness 工具来讲，其实对于整个提示词逻辑以及 agent loop 的不信任我觉得是最大的门槛。

codex desktop 的优化确实很奇葩。无论是从各种功能的正常程度，还是其进程本身的资源占用。

这就是很典型的商业问题。 你说为什么很多骗局，传销当事人其实早就醒了，但还是往里投钱？ 因为他们如果连自己都放弃了，那收回成本的可能性是 0 。

瓶颈跟性能没什么关系。 核心还是上下文长度、注意力机制、上下文捕获能力，以及最终的概率泛化能力上。

其实一直都是。 只是之前有一帮人比较自命不凡，不认为其他行业的是“开发”。 只有知道为什么 java 的 int 5 == Integer 5 为真的人才配叫开发。

我理解 rea 其实和之前的 photocraft 一样，其实是“行为艺术”属性比较大。 他再次让人们意识到了，按照目前的法律，基本无法应对 AI 洗稿的问题。 之前所有的针对 AI 洗稿的（无论是肖像、声音还是绘画、音乐、产品）最终要么不了了之，要么使用一个无法量化的主观判断来解决。

不是他自建的，和 orcarouter 合作的。

@catazshadow 如果从跑分角度讲，大概提升 5%，从困惑度角度讲降低 50%。 实操中，比 IQ3_XXS 更少出现雷霆思考。代价就是对于 48 vram + 64ram 来讲，考虑到会话缓存，nvfp4 还是有点太极限了。

我的理解是，只要企业没有让你随身带摄像头和录音笔，相较而言其实就没那么悲观。 因为本质上来讲，如果你的任务能直接被信息化内容直接量化交接。那其实即便 AI 不替代你，下一个卷王也会替代你的。 商业的核心永远不再纸上。

你在这扣哧几个月甚至一两年，做一个游戏，了不起了卖 48 。 人家隔壁随便搞个纸片人能换无数个 648 ，要你你怎么选。

现在的人的游戏节奏变了。手游在普遍朝着更懒、更低精力的角度演进。 目前的环境之下，好好做游戏 ≠ 能赚钱。 做第九艺术不如搞多巴胺过山车。

是的。 但是商业社会从来不是用产品的“技术含量”、“革新程度”来定价的。 微信和米聊相比，有什么创新吗？甚至主色调都一致，但这不妨碍微信干死米聊。

@nightwitch 合作是有的，在 ds 涨价成峰谷之前，opencode go 就是 100%的官方中转。 涨成峰谷之后，opencode 就有自部署的尝试了。之前还是灰度的。 这次是完全自部署。

opencode 也是，名义上 60$永久，但本质上从官方中转换成了自部署。 tg 只有不到 100t/s ，缓存命中率 95%。更恶心的是上了一些莫名其妙的限制。比如同 session 只能最大 30 张图片。

1 、deepseek 的 API 天然支持 responses （三种 API 格式都支持），所以接入 codex 不需要中转。中转会出现莫名停止的问题。 2 、claude code 这种闭源的最好别用，总是更一些 API 的 feature ，导致缓存命中概率降低。 3 、从情理上讲，人们总是认为自家模型适配自家 harness 工具应该是最好的，但实际未必。

以后很有可能文学 LLM 和业务 LLM 会彻底分家，比如更多类似 https://huggingface.co/Altworld/Hemmingway-1 会冒出来。

@viskem 是的，我理解就是人话里面有太多“模糊”和“婉转”了。现实任务其实是定量的，或者说人类的活动为了精准故意设定成了定量为主。所以“讲人话”对于 LLM 的 Agent 场景来讲，其实是一种噪声信息，反而降低了统计学最优解的信噪比。

跟后训练对齐的方式有关。“人话”从目前的跑分（强化学习目标）的角度来讲，是一种很低效的指标。 换句话说，人话在 Agent 、Coding 这种场景是非常反效率的。

看楼上的回复，感觉好多人对于跨平台有很大误解。认为跨平台和原生的代码量是 1：2 ，我个人理解，无论是什么跨平台生态，和原生的代码量基本是 1：1.5 ，甚至是 1：1.3 。

自动停止是 cc-switch 代理转换的问题。 在目前，你可以理解为 codex 只能跑支持 responses API 的模型 provider